[发明专利]训练有监督机器学习的模型的方法和装置

说明书

公开了一种用于训练有监督机器学习的模型的方法和装置。该方法包括：生成多个人造图像，每个人造图像包含相同的目标对象在一个或多个时间段内的不同时间点的运动状态；在生成多个人造图像的过程中记录与目标对象在一个或多个时间段内的运动有关的标注数据；基于多个人造图像来生成包括运动的多媒体流；使用多媒体流的多个帧的数据作为模型的多个输入数据来执行模型中的运算，以获得与运动有关的推导数据；以及比较推导数据和标注数据以确定是否调节模型的参数。通过该方法，能够省去在模型的训练过程中所需的大量的人工标注。

技术领域

本公开总体上涉及有监督机器学习的模型的技术领域，并且具体地涉及用于训练有监督机器学习的模型的方法和装置。

背景技术

有监督机器学习(supervised machine learning)通常需要使用大量的训练样本对模型进行训练，并根据期望结果与模型通过使用训练样本所得到的推导结果之间的比较结果，来确定是否需要调整模型的参数以及如何调整模型的参数，从而使有模型能够良好地适用于训练样本之外的其他数据(例如，实际的应用数据)。有监督机器学习的模型例如可以包括人工神经网络(例如，卷积神经网络)和决策树等。

已经提供了很多不同的训练样本集合或训练样本库。有监督机器学习的模型的设计人员在使用这样的样本集合或样本库来训练例如用于对目标对象的动作或行为进行识别或预测的有监督机器学习的模型之前，需要针对视频样本中的目标对象的动作或行为进行人工标注。训练的成本很高，但是准确性和效率却很低。

发明内容

一方面，提供了一种用于训练有监督机器学习的模型的方法。该方法可以包括：生成多个人造图像，每个人造图像包含相同的目标对象在一个或多个时间段内的不同时间点的运动状态；在生成多个人造图像的过程中记录与目标对象在一个或多个时间段内的运动有关的标注数据；基于多个人造图像来生成包括运动的多媒体流；使用多媒体流的多个帧的数据作为模型的多个输入数据来执行模型中的运算，以获得与运动有关的推导数据；以及比较推导数据和标注数据以确定是否调节模型的参数。

另一方面，还提供了一种用于训练有监督机器学习的模型的装置。该装置可以包括：渲染引擎，被配置为生成多个人造图像，每个人造图像包含相同的目标对象在一个或多个时间段内的不同时间点的运动状态，在生成多个人造图像的过程中记录与目标对象在一个或多个时间段内的运动有关的标注数据，并且基于多个人造图像来生成包括运动的多媒体流；运算器，被配置为使用多媒体流的多个帧的数据作为模型的多个输入数据来执行模型中的运算，以获得与运动有关的推导数据；以及调节器，被配置为比较推导数据和标注数据以确定是否调节模型的参数。

另一方面，还提供了一种用于训练有监督机器学习的模型的装置。该装置可以包括被配置为执行上述的方法的处理器。

另一方面，还提供了一种非临时性存储介质，在其上存储有程序指令，该程序指令在被计算装置执行时执行上述的方法。

通过根据本公开的实施例的方法和装置，能够省去在有监督机器学习训练过程中所需的人工标注，从而能够减少成本，提高标注的准确度，并提高训练的效率。

附图说明

图1示出根据本公开的实施例的用于训练有监督机器学习的模型的示例方法的流程图。

图2示出根据本公开的实施例的训练有监督机器学习的模型的示例。

图3示出根据本公开的实施例的用于训练有监督机器学习的模型的示例装置的框图。

图4示出根据本公开的实施例的用于训练有监督机器学习的模型的示例装置的框图。

具体实施方式